論文の概要: Conformalized-KANs: Uncertainty Quantification with Coverage Guarantees for Kolmogorov-Arnold Networks (KANs) in Scientific Machine Learning

• arxiv url: http://arxiv.org/abs/2504.15240v1
• Date: Mon, 21 Apr 2025 17:14:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-29 14:26:08.116336
• Title: Conformalized-KANs: Uncertainty Quantification with Coverage Guarantees for Kolmogorov-Arnold Networks (KANs) in Scientific Machine Learning
• Title（参考訳）: Conformalized-KANs:科学機械学習におけるコルモゴロフ・アルノルドネットワーク(KAN)のカバー保証による不確実性定量化
• Authors: Amirhossein Mollaali, Christian Bolivar Moya, Amanda A. Howard, Alexander Heinlein, Panos Stinis, Guang Lin,
• Abstract要約: 本研究では,コンフォメーションフリーなUQ手法であるConformalized-KANをKanアンサンブルと統合し,キャリブレーションした予測間隔を保証範囲で生成する手法を提案する。 本稿では,FBKAN (Finite Basis Kans) やMFKAN (MFKANs) など,最近のKansの拡張に対して,共形kan予測が適用可能であることを示す。
• 参考スコア（独自算出の注目度）: 40.8895886692511
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper explores uncertainty quantification (UQ) methods in the context of Kolmogorov-Arnold Networks (KANs). We apply an ensemble approach to KANs to obtain a heuristic measure of UQ, enhancing interpretability and robustness in modeling complex functions. Building on this, we introduce Conformalized-KANs, which integrate conformal prediction, a distribution-free UQ technique, with KAN ensembles to generate calibrated prediction intervals with guaranteed coverage. Extensive numerical experiments are conducted to evaluate the effectiveness of these methods, focusing particularly on the robustness and accuracy of the prediction intervals under various hyperparameter settings. We show that the conformal KAN predictions can be applied to recent extensions of KANs, including Finite Basis KANs (FBKANs) and multifideilty KANs (MFKANs). The results demonstrate the potential of our approaches to improve the reliability and applicability of KANs in scientific machine learning.
• Abstract（参考訳）: 本稿では,KAN(Kolmogorov-Arnold Networks)の文脈における不確実性定量化(UQ)手法について検討する。 我々はカンにアンサンブル・アプローチを適用してUQのヒューリスティックな尺度を求め、複素関数のモデル化における解釈可能性と堅牢性を高める。 そこで我々は,Conformalized-KANsを導入し,コンフォメーションフリーなUQ手法であるConformalal-KANsをKanアンサンブルと組み合わせて,キャリブレーションされた予測間隔を保証範囲で生成する手法を提案する。 種々のハイパーパラメータ設定下での予測間隔のロバスト性と精度に着目し, これらの手法の有効性を評価するために, 大規模な数値実験を行った。 本研究では,FBKAN (Finite Basis Kans) やMFKAN (MFKANs) など,最近のKansの拡張に対して,共形kan予測が適用可能であることを示す。 その結果、科学機械学習におけるkansの信頼性と適用性を向上させるためのアプローチの可能性を示した。

関連論文リスト

• PostHoc FREE Calibrating on Kolmogorov Arnold Networks [16.957071012748454]
  コルモゴロフ・アーノルドネットワーク(コルモゴロフ・アーノルドネットワーク、KAN)は、コルモゴロフ・アーノルドの表現定理に触発されたニューラルネットワークである。 Kansは、標準MultiLayer Perceptrons(MLPs)によってモデル化されたもの以外の複雑な非線形性を捉えることができる カンは、密集したデータ領域における過信と疎開な領域における過信と示す誤判定された信頼度をしばしば示す。
  論文  参考訳（メタデータ） (2025-03-03T05:42:49Z)
• Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
  本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。 我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-07-01T20:44:48Z)
• Kolmogorov-Smirnov GAN [52.36633001046723]
  我々は、KSGAN(Kolmogorov-Smirnov Generative Adversarial Network)という新しい深層生成モデルを提案する。 既存のアプローチとは異なり、KSGANはKS距離の最小化として学習プロセスを定式化している。
  論文  参考訳（メタデータ） (2024-06-28T14:30:14Z)
• From Conformal Predictions to Confidence Regions [1.4272411349249627]
  モデルパラメータに対する信頼領域を確立するために,モデル出力に共形予測間隔を組み合わせたCCRを導入する。 本稿では,雑音に対する最小限の仮定の下でのカバレッジ保証について述べる。 本手法は, 完全あるいはクロスコンフォーマルなアプローチを含む, 分割共形予測とブラックボックス手法の両方に適用可能である。
  論文  参考訳（メタデータ） (2024-05-28T21:33:12Z)
• Conformal Prediction for Federated Uncertainty Quantification Under Label Shift [57.54977668978613]
  Federated Learning(FL)は、多くのクライアントが協力してモデルをトレーニングする機械学習フレームワークである。 我々は、量子回帰に基づく新しいコンフォメーション予測法を開発し、プライバシー制約を考慮した。
  論文  参考訳（メタデータ） (2023-06-08T11:54:58Z)
• Federated Conformal Predictors for Distributed Uncertainty Quantification [83.50609351513886]
  コンフォーマル予測は、機械学習において厳密な不確実性定量化を提供するための一般的なパラダイムとして現れつつある。 本稿では,共形予測を連邦学習環境に拡張する。 本稿では、FL設定に適した部分交換可能性の弱い概念を提案し、それをフェデレート・コンフォーマル予測フレームワークの開発に利用する。
  論文  参考訳（メタデータ） (2023-05-27T19:57:27Z)
• Unified Probabilistic Neural Architecture and Weight Ensembling Improves Model Robustness [3.6607006319608226]
  統一確率的アーキテクチャと重み付けニューラルアーキテクチャサーチ(UraeNAS)を提案する。 提案手法は, 分布内(0.86%の精度)と分布外(2.43%の精度)で有意な改善を示した。
  論文  参考訳（メタデータ） (2022-10-08T18:30:30Z)
• Probabilistic electric load forecasting through Bayesian Mixture Density Networks [70.50488907591463]
  確率的負荷予測(PLF)は、スマートエネルギーグリッドの効率的な管理に必要な拡張ツールチェーンの重要なコンポーネントです。 ベイジアン混合密度ネットワークを枠とした新しいPLFアプローチを提案する。 後方分布の信頼性と計算にスケーラブルな推定を行うため,平均場変動推定と深層アンサンブルを統合した。
  論文  参考訳（メタデータ） (2020-12-23T16:21:34Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。